Python实现相关性热图与散点图结合的数据可视化-代码聚汇网

Python实现相关性热图与散点图结合的数据可视化

昝雄风

1. 为什么需要相关性热图与散点图结合？

在科研数据可视化领域，相关性分析是最基础也最重要的分析手段之一。传统的相关性热图（Correlation Heatmap）通过颜色梯度展示变量间的相关系数，能快速呈现大量变量间的关联模式。但纯热图存在两个致命缺陷：

无法展示数据分布特征：相同的相关系数可能对应完全不同的数据分布形态（如下图）。热图只给结果，不显示过程。
隐藏异常值影响：一个极端离群值可能导致高相关系数，但热图无法反映这种数据质量问题。

而散点图（Scatter Plot）恰恰能弥补这些缺陷——直接展示数据点的分布情况、离群值存在与否、线性关系的均匀性等。这就是为什么Nature等顶级期刊越来越多地采用"热图+散点图"的混合可视化方案。

提示：在生物医学领域，这种组合图尤其重要。例如基因共表达分析中，两个基因的相关系数为0.8，可能是均匀的线性关系，也可能是少数离群样本导致的假象，只有散点图能揭示真相。

2. 工具选型：Python生态 vs R生态

2.1 Python方案：Seaborn+Matplotlib组合

Python科学计算栈是当前最主流的可视化工具链，核心优势在于：

与pandas数据框无缝集成
代码简洁直观（相比ggplot2）
输出出版级矢量图

关键库及版本要求：

python复制import seaborn as sns  # ≥0.12.0
import matplotlib.pyplot as plt  # ≥3.6.0
import numpy as np  # ≥1.23.0

2.2 R方案：corrplot+ggplot2组合

R语言在统计可视化领域仍有不可替代的优势：

更丰富的统计检验集成
ggplot2的图形语法更灵活
生物信息学工具链更成熟

必要R包：

r复制library(corrplot)  # ≥0.92
library(ggplot2)  # ≥3.4.0
library(ggpubr)  # 用于多图排版

2.3 决策建议

对于大多数场景，我推荐Python方案：

代码更易读易维护
Jupyter Notebook交互更方便
与机器学习流程整合更好

但如果是生物信息学分析，特别是需要集成limma、DESeq2等专业包时，R方案更合适。

3. 完整Python实现教程

3.1 数据准备与预处理

使用经典的iris数据集演示，但处理方法通用：

python复制# 加载数据
iris = sns.load_dataset('iris')
numeric_cols = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
data = iris[numeric_cols]

# 计算相关系数矩阵
corr_matrix = data.corr(method='pearson')  # 也可用'spearman'

# 设置样式
sns.set(style="white", font_scale=1.2)
plt.figure(figsize=(10, 8))

3.2 热图基础绘制

使用seaborn的heatmap函数绘制主热图：

python复制# 绘制热图主体
mask = np.triu(np.ones_like(corr_matrix, dtype=bool))  # 隐藏上三角
heatmap = sns.heatmap(
    corr_matrix,
    mask=mask,
    vmin=-1, vmax=1,
    cmap='coolwarm',
    annot=True,
    fmt=".2f",
    annot_kws={"size": 12},
    square=True,
    linewidths=.5,
    cbar_kws={"shrink": 0.8}
)

# 调整坐标轴
heatmap.set_xticklabels(
    heatmap.get_xticklabels(),
    rotation=45,
    horizontalalignment='right'
)
heatmap.set_yticklabels(heatmap.get_yticklabels(), rotation=0)
plt.title('Iris Feature Correlations', pad=20, fontsize=16)

此时得到的是标准热图，接下来添加散点图。

3.3 散点图叠加技巧

关键思路：在热图每个单元格内嵌入微型散点图。这需要自定义Axes位置：

python复制from matplotlib.offsetbox import OffsetImage, AnnotationBbox

def create_scatter(x, y, **kwargs):
    # 创建微型散点图
    fig, ax = plt.subplots(figsize=(1, 1))
    sns.regplot(x=x, y=y, ax=ax, scatter_kws={'s': 15}, line_kws={'lw': 1})
    ax.set(xticks=[], yticks=[])
    ax.set_xlabel('')
    ax.set_ylabel('')
    
    # 转换为图像对象
    fig.canvas.draw()
    img = np.frombuffer(fig.canvas.tostring_rgb(), dtype=np.uint8)
    img = img.reshape(fig.canvas.get_width_height()[::-1] + (3,))
    plt.close(fig)
    return img

# 在热图上添加散点图
for i in range(len(numeric_cols)):
    for j in range(len(numeric_cols)):
        if i != j and i > j:  # 只在下三角区域添加
            x = data[numeric_cols[i]]
            y = data[numeric_cols[j]]
            scatter_img = create_scatter(x, y)
            
            # 精确定位
            ax = heatmap.axes
            box = ax.get_position()
            x_offset = box.x0 + (box.width / len(numeric_cols)) * (j + 0.5)
            y_offset = box.y1 - (box.height / len(numeric_cols)) * (i + 0.5)
            
            # 添加图像
            imagebox = OffsetImage(scatter_img, zoom=0.3)
            ab = AnnotationBbox(imagebox, (x_offset, y_offset), 
                              xycoords='axes fraction',
                              frameon=False)
            ax.add_artist(ab)

3.4 样式优化与输出

最后调整图形细节并保存：

python复制# 调整边距
plt.tight_layout()

# 保存矢量图
plt.savefig('corr_heatmap_scatter.pdf', 
           format='pdf', 
           dpi=300,
           bbox_inches='tight')

# 显示图形
plt.show()

4. 高级定制技巧

4.1 处理大数据集策略

当变量超过15个时，传统热图会变得拥挤。解决方案：

聚类排序：

python复制g = sns.clustermap(corr_matrix, 
                  method='ward',
                  cmap='coolwarm',
                  figsize=(12, 10))

重点标注：只显示|r|>0.7的强相关对

python复制sig_matrix = corr_matrix.where(np.abs(corr_matrix) > 0.7)
sns.heatmap(sig_matrix, annot=True, mask=sig_matrix.isnull())

4.2 交互式版本实现

对于需要探索的数据，推荐使用Plotly：

python复制import plotly.express as px

fig = px.scatter_matrix(data,
                       dimensions=data.columns,
                       color=iris['species'],
                       title='Interactive Correlation Matrix')
fig.update_traces(diagonal_visible=False)
fig.show()

4.3 学术期刊的特殊要求

Nature系列期刊对图表有严格规定：

字体：Helvetica或Arial
字号：主标签8-10pt
线宽：0.5-1pt
颜色模式：CMYK

适配代码：

python复制plt.rcParams.update({
    'font.sans-serif': 'Arial',
    'font.size': 10,
    'axes.linewidth': 0.8,
    'lines.linewidth': 0.8,
    'pdf.fonttype': 42  # 确保文字可编辑
})

5. 常见问题排查

5.1 散点图位置偏移

症状：散点图没有准确居中在热图单元格内
解决方案：

检查box.x0和box.y1计算逻辑
确认zoom参数与图形尺寸匹配
添加调试代码打印坐标值

5.2 相关系数显示异常

可能原因：

数据包含NaN值 → 使用data.dropna()
非数值型数据 → 检查data.dtypes
极端离群值 → 先做np.log1p变换

5.3 图形元素重叠

优化方案：

调整figsize使画布更大
减小annot_kws中的字体大小
使用plt.subplots_adjust()手动调整边距

6. 真实案例：基因表达数据分析

以TCGA乳腺癌数据为例展示专业应用：

python复制# 加载RNA-seq数据
import pandas as pd
expr = pd.read_csv('tcga_brca_rpkm.csv', index_col=0)

# 选择关键基因
genes = ['ESR1', 'PGR', 'ERBB2', 'MKI67']
expr_subset = expr[genes].apply(np.log1p)

# 绘制临床级热图
plt.figure(figsize=(8, 8))
sns.heatmap(
    expr_subset.corr(),
    annot=True,
    annot_kws={"size": 10},
    cmap='RdBu_r',
    center=0,
    square=True
)

# 添加病理特征标记
clinical = pd.read_csv('tcga_clinical.csv')
for i, gene1 in enumerate(genes):
    for j, gene2 in enumerate(genes):
        if i > j:
            ax = plt.gca()
            box = ax.get_position()
            x_offset = box.x0 + (box.width / len(genes)) * (j + 0.5)
            y_offset = box.y1 - (box.height / len(genes)) * (i + 0.5)
            
            # 根据ER状态着色
            er_status = clinical['ER_Status'].iloc[0]
            color = 'red' if er_status == 'Positive' else 'blue'
            plt.scatter(x_offset, y_offset, s=100, 
                       c=color, marker='s', 
                       transform=ax.transAxes)

这个案例展示了如何将临床注释信息整合到相关性分析中，是发表级图表的典型做法。